Idee per le soluzioni
Questo articolo è un'idea di soluzione. Per espandere il contenuto con altre informazioni, ad esempio casi d'uso potenziali, servizi alternativi, considerazioni sull'implementazione o indicazioni sui prezzi, inviare commenti e suggerimenti su GitHub.
Questa idea di soluzione descrive come usare l'interfaccia grafica TimeXtender per definire un patrimonio di dati.
Architettura
Scaricare un file di Visio di questa architettura.
Flusso di dati
- Combinare tutti i dati strutturati e semistrutturati in Azure Data Lake Storage usando la pipeline di progettazione dei dati di TimeXtender con centinaia di connettori dati nativi.
- Pulire e trasformare i dati usando le potenti funzionalità di analisi e calcolo di Azure Databricks.
- Spostare i dati puliti e trasformati in Azure Synapse Analytics, creando un hub per tutti i dati. Sfruttare i vantaggi dei connettori nativi tra Azure Databricks (PolyBase) e Azure Synapse Analytics per accedere e spostare i dati su larga scala.
- Creare report operativi e dashboard analitici oltre a database SQL per derivare informazioni dettagliate dai dati e usare Azure Analysis Services per gestire i dati.
- Eseguire query ad hoc direttamente sui dati in Azure Databricks.
Componenti
- Azure Data Lake Storage: funzionalità data lake altamente scalabili e sicure basate su Archiviazione BLOB di Azure
- Azure Databricks: piattaforma di analisi basata su Apache Spark veloce, semplice e collaborativa
- Azure Synapse Analytics: servizio di analisi senza limiti con tempo non corrispondente per informazioni dettagliate (in precedenza SQL Data Warehouse)
- Azure Analysis Services: motore di analisi di livello aziendale come servizio
- Power BI Embedded: incorporare visualizzazioni di dati completamente interattive e straordinarie nelle applicazioni
Dettagli dello scenario
È possibile usare TimeXtender per definire un patrimonio di dati tramite un'interfaccia utente grafica. Le definizioni vengono archiviate in un repository di metadati. Il codice per la compilazione del patrimonio di dati viene generato automaticamente mentre rimane completamente personalizzabile. I risultati sono un data warehouse moderno pronto per supportare l'analisi della scalabilità cloud e l'intelligenza artificiale.
Potenziali casi d'uso
- Nessun problema o manutenzione dell'infrastruttura
- Prestazioni coerenti
- Distribuire e gestire sia l'architettura che le pipeline di dati, i modelli di dati e i modelli semantici
Passaggi successivi
- documentazione di Azure Data Lake Storage
- Documentazione di Azure Databricks
- documentazione di Azure Synapse Analytics
- documentazione di Azure Analysis Services
- Documentazione di Power BI Embedded