解決方案體系結(jié)構(gòu)
新式數(shù)據(jù)倉(cāng)庫(kù)
通過新式數(shù)據(jù)倉(cāng)庫(kù)可輕松將所有數(shù)據(jù)匯集到一起，并通過分析儀表板、操作報(bào)告或所有用戶的高級(jí)分析獲取見解。
- 1 使用 Azure 數(shù)據(jù)工廠將所有結(jié)構(gòu)化、非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)（日志、文件和媒體）結(jié)合到 Azure Blob 存儲(chǔ)中。
- 2 利用 Azure Blob 存儲(chǔ)中的數(shù)據(jù)，通過 Azure Databricks 執(zhí)行可縮放分析，并獲得清理和轉(zhuǎn)換后的數(shù)據(jù)。
- 3 可將清理和轉(zhuǎn)換后的數(shù)據(jù)移動(dòng)到 Azure SQL 數(shù)據(jù)倉(cāng)庫(kù)，與現(xiàn)有的結(jié)構(gòu)化數(shù)據(jù)結(jié)合，為所有數(shù)據(jù)創(chuàng)建一個(gè)中心。利用 Azure Databricks 和 Azure SQL 數(shù)據(jù)倉(cāng)庫(kù)間的本地連接器來訪問和大規(guī)模移動(dòng)數(shù)據(jù)。
- 4 根據(jù) Azure 數(shù)據(jù)倉(cāng)庫(kù)構(gòu)建操作報(bào)告和分析儀表板，從數(shù)據(jù)中獲取見解，并使用 Azure Analysis Services 為數(shù)千名最終用戶提供服務(wù)。
- 5 直接在 Azure Databricks 中的數(shù)據(jù)上運(yùn)行臨時(shí)查詢。
大數(shù)據(jù)高級(jí)分析
使用領(lǐng)先機(jī)器學(xué)習(xí)工具將數(shù)據(jù)轉(zhuǎn)化為可行見解。通過這種架構(gòu)，可將任何規(guī)模的數(shù)據(jù)進(jìn)行組合，且可大規(guī)模構(gòu)建和部署自定義機(jī)器學(xué)習(xí)模型。
- 1 使用 Azure 數(shù)據(jù)工廠將所有結(jié)構(gòu)化、非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)（日志、文件和媒體）匯集到 Azure Blob 存儲(chǔ)中。
- 2 使用 Azure Databricks 清理和轉(zhuǎn)換流數(shù)據(jù)無結(jié)構(gòu)的數(shù)據(jù)集，并將其與來自操作數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)的結(jié)構(gòu)化數(shù)據(jù)相結(jié)合。
- 3 使用可縮放機(jī)器學(xué)習(xí)/深度學(xué)習(xí)技術(shù)，借助 Python、R 或 Scala 以及 Azure Databricks 中的內(nèi)置筆記本體驗(yàn)，從這些數(shù)據(jù)中獲得更深入的見解。
- 4 利用 Azure Databricks 和 Azure SQL 數(shù)據(jù)倉(cāng)庫(kù)間的本地連接器來訪問和大規(guī)模移動(dòng)數(shù)據(jù)。
- 5 高級(jí)用戶利用 Azure Databricks的內(nèi)置功能來確定根本原因并分析原始數(shù)據(jù)。
- 6 直接在 Azure Databricks 中的數(shù)據(jù)上運(yùn)行臨時(shí)查詢。
- 7 將來自 Azure Databricks 的見解傳入 Cosmos DB，使用戶可通過 Web 和移動(dòng)應(yīng)用進(jìn)行訪問。
實(shí)時(shí)分析
輕松從實(shí)時(shí)流數(shù)據(jù)中獲取見解。持續(xù)從所有 IoT 設(shè)備或網(wǎng)站點(diǎn)擊流日志捕獲數(shù)據(jù)，并準(zhǔn)實(shí)時(shí)地處理數(shù)據(jù)。
- 1 使用 Azure HDInsight 中的 Apache Kafka 集群可輕松提取應(yīng)用程序的實(shí)時(shí)流數(shù)據(jù)。
- 2 使用 Azure 數(shù)據(jù)工廠可將所有結(jié)構(gòu)化數(shù)據(jù)匯集到 Azure Blob 存儲(chǔ)。
- 3 利用 Azure Databricks 清理、轉(zhuǎn)換和分析流數(shù)據(jù)，并將其與來自操作數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)的結(jié)構(gòu)化數(shù)據(jù)相結(jié)合。
- 4 使用可縮放機(jī)器學(xué)習(xí)/深度學(xué)習(xí)技術(shù)，借助 Python、R 或 Scala 以及 Azure Databricks 中的內(nèi)置筆記本體驗(yàn)，從這些數(shù)據(jù)中獲得更深入的見解。
- 5 利用 Azure Databricks 和 Azure SQL 數(shù)據(jù)倉(cāng)庫(kù)間的本地連接器來訪問和大規(guī)模移動(dòng)數(shù)據(jù)。
- 6 根據(jù) Azure 數(shù)據(jù)倉(cāng)庫(kù)構(gòu)建分析儀表板和嵌入式報(bào)表，以便在組織內(nèi)共享見解，并使用 Azure Analysis Services 將此數(shù)據(jù)提供給成千上萬的用戶。
- 7 高級(jí)用戶利用 Azure Databricks 和 Azure HDInsight 的內(nèi)置功能來確定根本原因并分析原始數(shù)據(jù)。
- 8 將來自 Azure Databricks 的見解傳入 Cosmos DB，使用戶可通過實(shí)時(shí)應(yīng)用進(jìn)行訪問。
