你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

数据创新

  • 项目

许多公司想要将其现有数据仓库迁移到云。 它们可能受到多种因素的动机，包括：

  • 无需购买硬件或维护成本。
  • 没有要管理的基础结构。
  • 能够切换到安全、可缩放且成本低的云解决方案。

例如，Azure Synapse Analytics 是一种云原生即用即付服务，它为组织提供分析数据库管理系统。 Azure 技术有助于在迁移后实现数据仓库的现代化，并扩展分析功能以推动新的业务价值。

数据仓库迁移项目涉及许多组件。 其中包括架构、数据、提取-转换-加载 (ETL) 管道、授权特权、用户、BI 工具语义访问层和分析应用程序。

将数据仓库迁移到 Azure Synapse Analytics 后，你可以利用 Microsoft 分析生态系统中的其他技术。 这样做不仅可以实现数据仓库的现代化，还可以将 Azure 中其他分析数据存储中生成的见解汇集在一起。

可以将 ETL 处理范围扩大到将任何类型的数据引入 Azure Data Lake 存储，并且可以使用Azure 数据工厂大规模准备和集成这些数据。 这会生成可被数据仓库使用且也可由数据科学家和其他应用程序访问的受信任、通常理解的数据资产。 你可以构建实时、面向批处理的分析管道。 还可以创建可部署到批量运行的机器学习模型、实时流式处理数据和按需运行。

此外，可以使用 PolyBase 超越数据仓库，从而简化对 Azure 上多个基础分析平台中生成的见解的访问。 你可以在逻辑数据仓库中创建综合集成视图，以便从 BI 工具和应用程序访问流式处理、大数据和传统数据仓库见解。

许多公司已在其数据中心运行数据仓库多年，以使用户能够生成商业智能。 数据仓库从已知事务系统中提取数据、暂存数据，然后清理、转换和集成数据来填充数据仓库。

用例、业务案例和技术的进步都有助于 Azure Synapse Analytics 如何帮助你进行数据仓库迁移。 以下部分列出了其中许多示例。

用例

  • 连通的产品创新
  • 未来工厂
  • 临床分析
  • 合规性分析
  • 基于成本的分析
  • 全渠道优化
  • 个性化
  • 智能供应链
  • 动态定价
  • 采购分析
  • 数字控制塔
  • 风险管理
  • 客户分析
  • 欺诈检测
  • 声明分析

业务案例

  • 使用单个分析服务构建端到端分析解决方案。
  • 使用 Azure Synapse Analytics 工作室，为数据准备、云规模分析、数据仓库、大数据和 AI 任务提供统一的工作区。
  • 使用无代码视觉对象环境构建和管理管道，自动执行查询优化，构建概念证明，以及使用 Power BI，所有这些都来自同一分析服务。
  • 将你的数据见解传送到数据仓库和大数据分析系统。
  • 对于任务关键型工作负载，通过智能工作负载管理、工作负载隔离和无限制并发来优化所有查询的性能。
  • 直接从 Azure Synapse Analytics 编辑和构建 Power BI 仪表板。
  • 缩短 BI 和机器学习项目的项目开发时间。
  • 通过使用 Azure Synapse Analytics 中的 Azure Data Share 集成，只需几次单击，即可轻松共享数据。
  • 以列级安全性和本机行级安全性实现精细访问控制。
  • 使用动态数据掩码实时自动保护敏感数据。
  • 行业领先的安全性，内置安全功能，如自动威胁检测和始终启用数据加密。

技术进步

  • 无需购买硬件或维护费用，因此只需为使用的服务付费。
  • 无需管理基础结构，因此可以专注于有竞争力的见解。
  • 需要时，可以通过动态的可伸缩性进行大规模并行 SQL 查询处理，并且在不需要时可以选择关闭或暂停。
  • 能够从计算独立缩放存储。
  • 可以避免由于数据仓库上的暂存区域太大，占用存储容量和强制升级所引起的不必要且昂贵的升级。 例如，将暂存区域移到 Azure Data Lake Storage。 然后，使用类似 Azure 数据工厂的 ETL 工具或在 Azure 上运行的现有 ETL 工具以较低的成本对其进行处理。
  • 通过使用 Azure Data Lake Storage 和 Azure 数据工厂在 Azure 中处理 ETL 工作负载，来避免昂贵的硬件升级。 与在现有数据仓库 DBMS 上运行并使用 SQL 查询处理来执行相比，这通常是更好的解决方案。 随着暂存数据量的增加，作为本地数据仓库的基础的存储和计算能力更多被 ETL 消耗。 这转而影响查询、报告和分析工作负载的性能。
  • 避免构建在本地硬件上使用存储和数据库软件许可证的昂贵数据市场。 可以改为在 Azure Synapse Analytics 中构建它们。 如果你的数据仓库是数据保管库设计，这种设计通常会导致对数据市场的需求增加，那么这尤其有用。
  • 避免在本地硬件上分析和存储高速、高容量数据的成本。 例如，如果需要分析实时、计算机生成的数据（如数据仓库中的点击流和流式处理 IoT 数据），可以使用 Azure Synapse Analytics。
  • 可以避免随着数据仓库的增长为了在数据中心的昂贵仓库硬件上存储数据而支付额外的费用。 Azure Synapse Analytics 可以更低的成本将数据存储在云存储中。

后续步骤

数据民主化