Azure Cosmos DB: Anwendungsfälle für No-ETL-Analysen
GILT FÜR: 
NoSQL MongoDB Gremlin
Azure Cosmos DB bietet verschiedene Analyseoptionen für No-ETL-Analysen in Quasi-Echtzeit über Betriebsdaten. Sie können Analysen für Ihre Azure Cosmos DB-Daten mithilfe der folgenden Optionen aktivieren:
- Spiegeln von Azure Cosmos DB in Microsoft Fabric
- Azure Synapse Link für Azure Cosmos DB
Weitere Informationen zu diesen Optionen finden Sie unter Analysen und BI für Ihre Azure Cosmos DB-Daten.
Wichtig
Das Spiegeln von Azure Cosmos DB in Microsoft Fabric ist jetzt in der Vorschau für die NoSql-API verfügbar. Dieses Feature bietet alle Funktionen von Azure Synapse Link mit besserer Analyseleistung und der Möglichkeit, Ihre Daten mit Fabric OneLake zu vereinheitlichen und den offenen Zugriff auf Ihre Daten in OneLake mit Delta-Parquet-Format zu öffnen. Wenn Sie Azure Synapse Link in Erwägung ziehen, wird empfohlen, die Spiegelung auszuprobieren, um die Eignung für Ihr Unternehmen insgesamt zu beurteilen. Um mit der Spiegelung zu beginnen, klicken Sie hier.
No-ETL-Analysen in Quasi-Echtzeit können verschiedene Möglichkeiten für Ihre Unternehmen eröffnen. Hier sind drei Beispielszenarien:
- Lieferkettenanalysen, Vorhersagen und Berichte
- Echtzeitpersonalisierung
- Predictive Maintenance und Anomalieerkennung in IOT-Szenarien
Lieferkettenanalysen, Vorhersagen und Berichte
Untersuchungen zeigen, dass eine Einbettung von Big Data-Analysen in Lieferkettenvorgängen zu Verbesserungen führt, was die Lieferzeiten und die Lieferketteneffizienz anbelangt.
Hersteller führen ein Onboarding auf cloudnative Technologien durch, um die Einschränkungen der Legacysysteme im Bereich Enterprise Resource Planning (ERP) und Supply Chain Management (SCM) zu überwinden. Da Lieferketten minütlich zunehmende Mengen an operativen Daten (Bestellungs-, Versand-, Transaktionsdaten) erzeugen, benötigen Hersteller eine operative Datenbank. Diese operative Datenbank wird skaliert, um die Datenvolumen und eine analytische Plattform zu verarbeiten und ein Maß an kontextbezogener Intelligence in Echtzeit zu erhalten, mit dem Sie eine führende Position einnehmen.
Die folgende Architektur zeigt die Leistungsfähigkeit von Azure Cosmos DB als cloudnative Betriebsdatenbank in der Lieferkettenanalyse:
Basierend auf der vorherigen Architektur können Sie die folgenden Anwendungsfälle verwirklichen:
- Vorbereiten und Trainieren einer prädiktiven Pipeline: Generieren Sie mithilfe von Machine Learning-Entsprechungen Erkenntnisse zu den operativen Daten der Lieferkette. Auf diese Weise können Sie die Bestands- und Betriebskosten senken und die Bestellzeiten für Kunden verkürzen.
Spiegelung und Synapse Link ermöglichen Ihnen, die sich ändernden operativen Daten in Azure Cosmos DB ohne manuelle ETL-Prozesse zu analysieren. Diese Angebote ersparen Ihnen zusätzliche Kosten, Latenzen und betriebstechnische Komplexität. Sie ermöglichen technischen und wissenschaftlichen Fachkräften für Daten das Erstellen stabiler Vorhersagepipelines:
Fragen Sie Betriebsdaten aus Azure Cosmos DB mithilfe der nativen Integration mit Apache Spark-Pools in Microsoft Fabric oder Azure Synapse Analytics ab. Sie können die Daten in einem interaktiven Notebook oder in geplanten Remote-Aufträgen ohne komplexe Datentechnik abfragen.
Erstellen Sie Machine Learning-Modelle (ML) mit Spark ML-Algorithmen und der Integration von Azure Machine Learning (AML) mit Microsoft Fabric oder Azure Synapse Analytics.
Schreiben Sie die Ergebnisse nach dem Modellrückschluss wieder in Azure Cosmos DB, um eine operative Bewertung in Quasi-Echtzeit vorzunehmen.
Operative Berichterstellung: Lieferkettenteams benötigen flexible und benutzerdefinierte Berichte zu präzisen operativen Echtzeitdaten. Diese Berichte sind erforderlich, um eine Momentaufnahmesicht über die Effektivität, Rentabilität und Produktivität der Lieferkette zu erhalten. Dadurch können Datenanalysten und andere wichtige Beteiligte das Geschäft ständig neu evaluieren und Bereiche identifizieren, in denen die Betriebskosten gesenkt werden können.
Spiegelung und Synapse Link für Azure Cosmos DB ermöglichen umfassende Szenarien für Business Intelligence (BI) und die Berichterstellung:
Fragen Sie Betriebsdaten aus Azure Cosmos DB mithilfe der nativen Integration mit voller Ausdrucksfähigkeit der T-SQL-Sprache ab.
Modellieren und veröffentlichen Sie automatisch aktualisierte BI-Dashboards über Azure Cosmos DB und Power BI, die in Microsoft Fabric oder Azure Synapse Analytics integriert sind.
Im Folgenden finden Sie eine Anleitung für die Datenintegration für Batch- und Streamingdaten in Azure Cosmos DB:
Batchdatenintegration und -orchestrierung: Da Lieferketten immer komplexer werden, müssen die Datenplattformen der Lieferketten mit verschiedenen Datenquellen und -formaten integriert werden können. In Microsoft Fabric und Azure Synapse sind die gleiche Datenintegrations-Engine und die gleichen Oberflächen wie in Azure Data Factory integriert. Dank dieser Integration können Data Engineers umfassende Datenpipelines erstellen, ohne dass ein separates Orchestrierungsmodul erforderlich ist:
Verschieben Sie Daten aus über 85 unterstützten Datenquellen in Azure Cosmos DB mit Azure Data Factory.
Schreiben Sie codefreie ETL-Pipelines in Azure Cosmos DB einschließlich Relations-Hierarchie- und Hierarchie-Hierarchie-Zuordnungen mit Zuordnungsdatenflüssen.
Integration und Verarbeitung von Streamingdaten: Mit der Zunahme von Industrial IoT (die Nachverfolgung von Waren über die gesamten Lieferkette hinweg mithilfe von Sensoren, vernetzte Logistikflotten usw.) gibt es immer mehr Echtzeitdaten, die in Streams generiert werden und in herkömmliche, sich langsam bewegende Daten integriert werden müssen, um Erkenntnisse zu generieren. Azure Stream Analytics ist ein empfohlener Dienst für das Streaming von ETL und die Verarbeitung in Azure mit einer Vielzahl von Szenarien. Azure Stream Analytics unterstützt Azure Cosmos DB als native Datensenke.
Echtzeitpersonalisierung
Einzelhändler müssen sichere und skalierbare E-Commerce-Lösungen erstellen, die die Anforderungen von Kunden und Unternehmen erfüllen. Diese E-Commerce-Lösungen müssen eine Kundenbindung durch angepasste Produkte und Angebote herstellen, Transaktionen schnell und sicher verarbeiten und sich auf Fulfillment und Kundendienst konzentrieren. Azure Cosmos DB und Synapse Link für Azure Cosmos DB ermöglichen es Einzelhändlern, personalisierte Empfehlungen für Kunden in Echtzeit zu generieren. Sie verwenden anpassbare Konsistenzeinstellungen mit geringer Wartezeit, um unmittelbare Erkenntnisse zu erhalten, wie sie in der folgenden Architektur dargestellt sind:
- Vorbereiten und Trainieren einer Vorhersagepipeline: Mithilfe von Fabric oder Synapse Spark und Machine Learning-Modellen können Sie Erkenntnisse zu den operativen Daten Ihrer Geschäftseinheiten oder Kundensegmente generieren. Dies entspricht der personalisierten Bereitstellung für die Zielkundensegmente, prädiktiven Endbenutzererfahrungen und einem gezielten Marketing, damit Sie die Anforderungen der Endbenutzer:innen erfüllen können. )
IOT-Predictive Maintenance
Industrielle IOT-Innovationen haben die Ausfallzeiten von Geräten enorm verringert und die Effizienz in allen Branchen gesteigert. Eine dieser Innovationen sind Predictive Maintenance-Analysen von Geräten am Edge der Cloud.
Nachfolgend sehen Sie eine Architektur, welche die cloudnativen HTAP-Funktionen in der IoT-Predictive Maintenance verwendet:
Vorbereiten und Trainieren einer prädiktiven Pipeline: Die operativen Verlaufsdaten von IoT-Gerätesensoren können zum Trainieren von Vorhersagemodellen wie Anomaliedetektoren verwendet werden. Diese Anomaliedetektoren werden dann für die Echtzeitüberwachung wieder am Edge bereitgestellt. Eine solche Schleife ermöglicht es, Vorhersagemodelle durchgehend neu zu trainieren.
Operative Berichterstellung: Mit der Zunahme der Initiativen für digitale Zwillinge erfassen Unternehmen große Mengen an operativen Daten von einer großen Anzahl von Sensoren, um eine digitale Kopie jedes Computers zu erstellen. Diese Daten unterstützen die BI-Anforderungen, Trends über Verlaufsdaten zusätzlich zu aktuellen heißen Daten zu verstehen.