Azure Cosmos DB: Případy použití analýz Bez ETL
PLATÍ PRO: 
NoSQL MongoDB Skřítek
Azure Cosmos DB poskytuje různé možnosti analýzy pro analýzy bez ETL téměř v reálném čase prostřednictvím provozních dat. Analýzu dat služby Azure Cosmos DB můžete povolit pomocí následujících možností:
- Zrcadlení služby Azure Cosmos DB v Microsoft Fabric
- Azure Synapse Link pro Azure Cosmos DB
Další informace o těchtomožnostch
Důležité
Zrcadlení služby Azure Cosmos DB v Microsoft Fabric je nyní k dispozici ve verzi Preview pro rozhraní API NoSql. Tato funkce poskytuje všechny možnosti Azure Synapse Linku s lepším analytickým výkonem, schopnost sjednotit svá datová aktiva s Fabric OneLake a otevřít přístup k datům ve formátu Delta Parquet. Pokud uvažujete o Azure Synapse Linku, doporučujeme vyzkoušet zrcadlení, abyste posoudili celkové přizpůsobení vaší organizace. Pokud chcete začít se zrcadlováním, klikněte sem.
Analýzy téměř v reálném čase můžou vašim firmám otevřít různé možnosti. Tady jsou tři ukázkové scénáře:
- Analýzy dodavatelského řetězce, prognózy a vytváření sestav
- Personalizace v reálném čase
- Prediktivní údržba, detekce anomálií ve scénářích IOT
Analýzy dodavatelského řetězce, prognózy a vytváření sestav
Studie výzkumu ukazují, že vkládání analýz velkých objemů dat do operací dodavatelského řetězce vede k vylepšení doby dodání v pořadí po cyklu a efektivitu dodavatelského řetězce.
Výrobci se připojují k technologiím nativním pro cloud, aby se přerušily omezení starších systémů PLÁNOVÁNÍ zdrojů organizace (ERP) a SCM (Supply Chain Management). Díky dodavatelským řetězcům, které generují rostoucí objemy provozních dat každou minutu (objednávka, zásilka, transakční data), potřebují výrobci provozní databázi. Tato provozní databáze by se měla škálovat tak, aby zpracovávala objemy dat a analytická platforma, aby se dostala na úroveň kontextové inteligence v reálném čase, aby zůstala před křivkou.
Následující architektura ukazuje výkon používání služby Azure Cosmos DB jako provozní databáze nativní pro cloud v analýzách dodavatelského řetězce:
Na základě předchozí architektury můžete dosáhnout následujících případů použití:
- Příprava a trénování prediktivního kanálu: Generování přehledů o provozních datech v dodavatelském řetězci pomocí strojového učení se překládá. Díky tomu můžete snížit náklady na inventář, provoz a snížit dobu doručení objednávek pro zákazníky.
Zrcadlení a Synapse Link umožňují analyzovat měnící se provozní data ve službě Azure Cosmos DB bez jakýchkoli ručních procesů ETL. Tyto nabídky vám ušetří další náklady, latenci a provozní složitost. Umožňují datovým inženýrům a datovým vědcům vytvářet robustní prediktivní kanály:
Dotazování provozních dat ze služby Azure Cosmos DB pomocí nativní integrace s fondy Apache Sparku v Microsoft Fabric nebo Azure Synapse Analytics Data můžete dotazovat v interaktivním poznámkovém bloku nebo naplánovaných vzdálených úlohách bez složité přípravy dat.
Vytváření modelů strojového učení (ML) s využitím algoritmů Spark ML a integrace Azure Machine Learning (AML) v Microsoft Fabric nebo Azure Synapse Analytics
Zapište výsledky po odvozování modelu do služby Azure Cosmos DB za účely vyhodnocování téměř v reálném čase.
Provozní generování sestav: Týmy dodavatelského řetězce potřebují flexibilní a vlastní sestavy v reálném čase a přesná provozní data. Tyto sestavy jsou potřeba k získání přehledu o efektivitě dodavatelského řetězce, ziskovosti a produktivitě. Umožňuje datovým analytikům a dalším klíčovým zúčastněným stranám neustále znovu vyhodnotit firmu a identifikovat oblasti, které by se měly upravit, aby se snížily provozní náklady.
Zrcadlení a Synapse Link pro Azure Cosmos DB umožňují bohaté scénáře business intelligence (BI)/generování sestav:
Dotazování provozních dat ze služby Azure Cosmos DB pomocí nativní integrace s plnou výrazností jazyka T-SQL
Modelujte a publikujte automatické aktualizace řídicích panelů BI přes Azure Cosmos DB prostřednictvím Power BI integrovaného v Microsoft Fabric nebo Azure Synapse Analytics.
Následuje několik doprovodných materiálů pro integraci dat pro dávkové a streamované data do služby Azure Cosmos DB:
Integrace a orchestrace dávkových dat: Díky složitějším dodavatelským řetězcům je potřeba integrovat datové platformy dodavatelského řetězce s různými zdroji dat a formáty. Microsoft Fabric a Azure Synapse jsou integrované se stejným modulem pro integraci dat a prostředím jako Azure Data Factory. Tato integrace umožňuje datovým inženýrům vytvářet bohaté datové kanály bez samostatného orchestračního modulu:
Přesuňte data z více než 85 podporovaných zdrojů dat do služby Azure Cosmos DB pomocí služby Azure Data Factory.
Zápis kanálů ETL bez kódu do služby Azure Cosmos DB, včetně relačních a hierarchických mapování mezi hierarchickými a hierarchickými mapováními dat s mapováním toků dat
Integrace a zpracování streamovaných dat: S růstem průmyslových IoT (senzorů sledujících prostředky z "floor-to-store", propojených logistických parků atd.) dochází k explozi dat v reálném čase generovaných v reálném čase, která je potřeba integrovat s tradičními pomalými daty pro generování přehledů. Azure Stream Analytics je doporučená služba pro streamování ETL a zpracování v Azure s širokou škálou scénářů. Azure Stream Analytics podporuje Službu Azure Cosmos DB jako nativní jímku dat.
Personalizace v reálném čase
Maloobchodníci dnes musí vytvářet zabezpečená a škálovatelná řešení elektronického obchodování, která splňují požadavky zákazníků i firem. Tato řešení elektronického obchodování potřebují zapojit zákazníky prostřednictvím přizpůsobených produktů a nabídek, rychle a bezpečně zpracovávat transakce a zaměřit se na plnění a služby zákazníků. Azure Cosmos DB společně s nejnovější službou Synapse Link pro Azure Cosmos DB umožňuje prodejcům generovat přizpůsobená doporučení pro zákazníky v reálném čase. Pro okamžité přehledy, jak je znázorněno v následující architektuře, používají nastavení s nízkou latencí a nastavitelnou konzistencí:
- Příprava a trénování prediktivního kanálu: Pomocí modelů Fabric nebo Synapse Spark a strojového učení můžete vygenerovat přehledy o provozních datech napříč obchodními jednotkami nebo zákaznickými segmenty. To se překládá na přizpůsobené doručování pro cílové segmenty zákazníků, prediktivní prostředí pro koncové uživatele a cílený marketing tak, aby vyhovoval vašim požadavkům koncového uživatele. )
Prediktivní údržba IOT
Průmyslové inovace IOT výrazně snížily výpadky strojů a zvýšily celkovou efektivitu ve všech oborech průmyslu. Jednou z těchto inovací je prediktivní analýza údržby pro stroje na okraji cloudu.
Následuje architektura využívající funkce HTAP nativní pro cloud v prediktivní údržbě IoT:
Příprava a trénování prediktivního kanálu: Historická provozní data ze senzorů zařízení IoT se dají použít k trénování prediktivních modelů, jako jsou detektory anomálií. Tyto detektory anomálií se pak zpětně nasadí na hranici kvůli monitorování v reálném čase. Taková smyčka zlepšování umožňuje průběžné přetrénování prediktivních modelů.
Provozní hlášení: S růstem iniciativ digitálních dvojčat společnosti shromažďují obrovské objemy provozních dat z velkého počtu senzorů, aby vytvořily digitální kopii každého počítače. Tato data posílají BI, aby kromě nedávných horkých dat porozuměla trendům v historických datech.