Supportare le aziende con l'innovazione dei dati

Molte aziende mantengono i data warehouse nei propri data center per consentire a parti diverse dell'azienda di analizzare i dati e prendere decisioni. I reparti vendite, marketing e finanza si basano su questi sistemi per produrre report e dashboard standard. Le aziende impiegano anche analisti aziendali per eseguire query e analisi ad hoc dei dati nei data mart. Questi data mart usano strumenti self-service di business intelligence per eseguire analisi multidimensionali.

Un'azienda supportata dall'innovazione dei dati e da un data estate moderno può potenziare un'ampia gamma di collaboratori, dagli stakeholder IT ai professionisti dei dati e non solo. Possono agire su questo repository di dati centralizzati, che viene spesso definito "l'unica fonte di verità".

Azure Synapse Analytics è un singolo servizio che consente di facilitare la collaborazione e velocizzare il tempo di analisi. Per comprendere questo servizio in modo più dettagliato, considerare prima di tutto i diversi ruoli e competenze coinvolti in un tipico data estate:

Data warehousing: gli amministratori di database supportano la gestione di data lake e data warehouse ottimizzando in modo intelligente i carichi di lavoro e proteggendo automaticamente i dati.

Integrazione dei dati: gli ingegneri dei dati usano un ambiente senza codice per connettere facilmente più origini e tipi di dati.

Big Data e apprendimento automatico: gli scienziati dei dati creano rapidamente modelli di verifica ed effettuano il provisioning delle risorse lavorando nel linguaggio preferito (ad esempio, T-SQL, Python, Scala, .NET o Spark SQL).

Gestione e sicurezza: i professionisti IT proteggono e gestiscono i dati in modo più efficiente, applicano i requisiti di privacy e proteggono l'accesso alle configurazioni cloud e ibride.

Business intelligence: gli analisti aziendali accedono in modo sicuro ai set di dati, creano dashboard e condividono i dati all'interno e all'esterno dell'organizzazione.

Panoramica dell'architettura di un data warehouse classico

Il diagramma seguente mostra un esempio di architettura di un data warehouse classico.

Figura 1: Architettura di un data warehouse classico.

I dati strutturati noti vengono estratti dai principali sistemi di elaborazione delle transazioni e copiati in un'area di staging. Da qui, vengono puliti, trasformati e integrati nelle tabelle di produzione in un data warehouse. È normale che qui si accumulino diversi anni di dati cronologici sulle transazioni. Ciò fornisce i dati necessari per comprendere le variazioni nelle vendite, il comportamento di acquisto dei clienti e la segmentazione dei clienti nel tempo. Fornisce anche analisi e report finanziari annuali per facilitare il processo decisionale.

Da qui, i subset di dati vengono estratti nei data mart per analizzare l'attività associata a un processo aziendale specifico. Ciò supporta il processo decisionale in una parte specifica dell'azienda.

Affinché un'azienda funzioni in modo efficiente, sono necessari tutti i tipi di dati per le diverse competenze e ruoli descritti in precedenza. Sono necessari dati non elaborati puliti per consentire agli scienziati dei dati di creare modelli di apprendimento automatico. Sono necessari dati puliti e strutturati per un data warehouse per garantire prestazioni affidabili alle applicazioni e ai dashboard aziendali. Soprattutto, è necessario essere in grado di passare dai dati non elaborati alle informazioni dettagliate in pochi minuti, non in giorni.

Azure Synapse Analytics dispone di uno strumento di business intelligence nativo integrato con Microsoft Power BI. In questo caso, un servizio all'interno di un'interfaccia consente di trasformare rapidamente i dati non elaborati in un dashboard con informazioni dettagliate.

Passaggi successivi

Innovazioni dei dati