Design der Analysearchitektur

Mit dem exponentiellen Wachstum von Daten verlassen sich Organisationen auf die grenzenlose Rechen-, Speicher- und Analysekraft von Azure, um ihre Daten zu skalieren, zu streamen, vorherzusagen und zu sehen. Analyselösungen verwandeln Datenmengen in nützliche Business Intelligence (BI), wie z. B. Berichte und Visualisierungen, und in erfinderische künstliche Intelligenz (KI), wie z. B. Prognosen, die auf maschinellem Lernen basieren.

Ganz gleich, ob Ihre Organisation mit der Auswertung cloudbasierter Analysetools beginnt oder ihre aktuelle Implementierung erweitern möchte, Azure bietet viele Optionen. Der Workflow beginnt mit dem Erlernen gängiger Ansätze und dem Ausrichten von Prozessen und Rollen für eine Cloudmentalität.

Daten können in Batches oder in Echtzeit, lokal oder in der Cloud verarbeitet werden, aber das Ziel jeder Analyselösung besteht in der Nutzung von Daten im großen Stil. Zunehmend möchten Organisationen eine Single Source of Truth für alle relationalen und nicht relationalen Daten erstellen, die von Personen, Computern und dem Internet der Dinge (IoT) generiert werden. Es ist üblich, eine Big Data-Architektur oder eine IoT-Architektur zu verwenden, um Rohdaten in eine strukturierte Form zu transformieren und dann in einen Analysedatenspeicher zu verschieben. Dieser Speicher wird zur Single Source of Truth, der eine Vielzahl von aufschlussreichen Analyselösungen ermöglichen kann.

Architektur

Laden Sie eine Visio-Datei dieser Architektur herunter.

Das obige Diagramm zeigt eine typische Implementierung der Basis-/Basisanalyse. Lesen Sie die in diesem Abschnitt bereitgestellten Architekturen , um echte Lösungen zu finden, die Sie in Azure erstellen können.

Erforschen Sie Analysearchitekturen und Anleitungen

Die Artikel in diesem Abschnitt enthalten vollständig entwickelte Architekturen, die Sie in Azure bereitstellen und auf Lösungen und Leitfäden auf Produktionsniveau erweitern können. Diese können Ihnen dabei helfen, wichtige Entscheidungen darüber zu treffen, wie Sie Analysetechnologien in Azure verwenden. Lösungsideen veranschaulichen Implementierungsmuster und -möglichkeiten, die Sie beim Planen ihrer Analyse-Machbarkeitsentwicklung berücksichtigen sollten.

Leitfaden zur Analysearchitektur

Technologieauswahl – Diese Artikel helfen Ihnen, die besten Analysetechnologien für Ihre Workloadanforderungen zu bewerten und auszuwählen:

• Analyse und Berichterstellung – Vergleich der Optionen für Datenanalyse und Visualisierung in Azure.
• Batchverarbeitung – Auswerten von Batchverarbeitungstechnologien für Big Data-Workloads.
• Streamverarbeitung – Vergleich der Datenstromverarbeitungstechnologien für Echtzeitanalysen.
• Wählen Sie einen analytischen Datenspeicher aus – Anleitungen zum Auswählen des richtigen analytischen Datenspeichers.
• Wählen Sie einen analytischen Datenspeicher in Microsoft Fabric aus – Anleitung zum Auswählen von Datenspeichern in Microsoft Fabric.

Notfallwiederherstellung für Azure-Datenplattform – Diese Artikel enthalten umfassende Anleitungen für die Implementierung von Notfallwiederherstellungsstrategien:

• Übersicht – Übersicht über Strategien zur Notfallwiederherstellung für Azure-Datenplattformen.
• Architektur – Architekturmuster für die Notfallwiederherstellung auf Azure-Datenplattformen.
• Szenariodetails – Detaillierte Szenarien für die Implementierung der Notfallwiederherstellung.
• Empfehlungen – Empfehlungen für bewährte Methoden für die Notfallwiederherstellung.

Analysearchitekturen

Diese produktionsfähigen Architekturen veranschaulichen End-to-End-Analyselösungen, die Sie bereitstellen und anpassen können:

• Analytics end-to-End mit Microsoft Fabric – Erstellen Sie eine moderne Analyseplattform mithilfe der integrierten Funktionen von Microsoft Fabric.
• Data Warehouse und Analytics – Integrieren Sie große Datenmengen aus mehreren Quellen in eine einheitliche Analyseplattform.
• Verwenden Sie Microsoft Fabric, um eine Enterprise BI-Lösung zu entwerfen – Entwerfen einer Business Intelligence-Lösung für Unternehmen mithilfe von Microsoft Fabric.
• Echtzeitnahe Lakehouse-Datenverarbeitung – Verwenden Sie Azure Synapse Analytics und Azure Data Lake Storage für die echtzeitnahe Daten-Lakehouse-Verarbeitung.
• Realzeitsynchronisierung von MongoDB Atlas mit Azure Synapse Analytics - Synchronisieren Sie MongoDB Atlas-Daten in Echtzeit mit Azure Synapse Analytics.
• Stream-Verarbeitung mit Azure Databricks – Erstellen Sie mithilfe von Azure Databricks eine End-to-End-Datenstromverarbeitungspipeline.
• Stream-Verarbeitung mit Azure Stream Analytics – Erstellen Sie eine Datenverarbeitungspipeline, die Daten erfasst, Datensätze korreliert und rollierende Mittelwerte berechnet.
• Modernes Data Warehouse für kleine und mittlere Unternehmen – Erstellen Sie eine moderne Data Warehouse-Lösung für kleine und mittlere Unternehmen.

Ideen für Analyselösungen

Diese Lösungsideen veranschaulichen Implementierungsmuster und Möglichkeiten zur Erkundung:

• Ingestion-, ETL- und Streamverarbeitungspipelines mit Azure Databricks – Erstellen Sie ETL-Pipelines für Batch- und Streamingdaten, um die Datenaufnahme in den Data Lake zu vereinfachen.
• Moderne Analysearchitektur mit Azure Databricks – Sammeln, Verarbeiten, Analysieren und Visualisieren von Daten mithilfe einer modernen Datenarchitektur.
• Moderne Datenplattform für kleine und mittlere Unternehmen – Erstellen Sie eine moderne Datenplattformarchitektur für kleine und mittlere Unternehmen, die Microsoft Fabric und Azure Databricks verwenden.
• Realzeitanalysen mit Azure Data Explorer – Analysieren Sie Daten mithilfe von Azure Data Explorer und Azure Service Bus in Echtzeit.

Erfahren Sie mehr über Analysen zu Azure

Microsoft Learn bietet kostenlose Onlineschulungsressourcen für Azure-Analysetechnologien. Die Plattform bietet Videos, Lernprogramme und praktische Labore für bestimmte Produkte und Dienstleistungen sowie Lernpfade, die nach Jobrolle organisiert sind.

Die folgenden Ressourcen bieten grundlegende Kenntnisse für Analyseimplementierungen in Azure:

• Azure-Daten-Themen durchsuchen
• Einführung in Microsoft Azure Data Core Data-Kerndatenkonzepte
• Erste Schritte mit Microsoft Fabric

Lernpfade nach Rolle

• Datenanalyst: Erste Schritte mit Microsoft Data Analytics
• Data Engineer: Implementieren einer Data Analytics-Lösung mit Azure Databricks
• Datenwissenschaftler: Erstellen Sie maschinelle Lernlösungen mit Azure Databricks

Organisationsbereitschaft

Organisationen, die mit ihrer Cloudakzeptanz beginnen, können das Cloud Adoption Framework für bewährte Anleitungen verwenden, die zur Beschleunigung der Cloudakzeptanz entwickelt wurden. Anleitungen zur Cloud-Skalierungsanalyse finden Sie unter Cloud-Skalierungsanalysen.

Um die Qualität Ihrer Analyselösung für Azure zu gewährleisten, empfehlen wir, dem Azure Well-Architected Framework zu folgen. Es bietet präskriptive Anleitungen für Organisationen, die architektonische Exzellenz suchen, und erläutert, wie Sie kostenoptimierte Azure-Lösungen entwerfen, bereitstellen und überwachen können.

Anleitungen zu Datenarbeitslasten, die an den Well-Architected Framework-Säulen ausgerichtet sind, finden Sie im Azure Well-Architected Framework für Datenarbeitslasten.

Pfad zur Produktion

Die Auswahl eines Datenspeichers ist eine grundlegende Entscheidung bei der Implementierung von Analysen in Azure. Nachdem Sie Ihren Speicheransatz ausgewählt haben, können Sie die geeignete Datenanalysetechnologie für Ihr Szenario ermitteln.

Zu den wichtigsten Entscheidungspunkten zählen:

• Datenspeicherung: Wählen Sie je nach Datenstruktur und Abfragemustern zwischen Datenseen, Datenlagern oder Lakehouses aus. Anleitungen zum Auswählen und Entwerfen von Datenbanklösungen, die Analysen workloads betreiben, siehe Datenbankarchitekturdesign.

• Verarbeitungsmodell: Ermitteln Sie, ob Batchverarbeitung, Datenstromverarbeitung oder eine Kombination ihren Workloadanforderungen am besten entspricht.

• Analysetools: Wählen Sie BI- und KI-Technologien aus, die den Fähigkeiten und geschäftlichen Anforderungen Ihres Teams entsprechen.

Informationen zum Anzeigen verschiedener Architekturstile für Analyselösungen finden Sie unter Architekturen.

Bewährte Methoden

Hochwertige Analysen beginnen mit robusten, vertrauenswürdigen Daten. Auf höchster Ebene tragen Informationssicherheitsmethoden dazu bei, sicherzustellen, dass Ihre Daten während der Übertragung und im Ruhebereich geschützt sind. Der Zugriff auf diese Daten muss ebenfalls vertrauenswürdig sein. Vertrauenswürdige Daten implizieren ein Design, das Folgendes implementiert:

• Governancerichtlinien – Definieren sie klare Datenbesitz-, Klassifizierungs- und Zugriffsrichtlinien.

• Identitäts- und Zugriffsverwaltung – Implementieren sie rollenbasierte Zugriffssteuerung und Prinzipien der geringsten Rechte.

• Netzwerksicherheitskontrollen – Schützen Sie Datenflüsse zwischen Diensten, und verhindern Sie nicht autorisierten Zugriff.

• Datenschutz – Verschlüsseln Sie ruhende Daten und Daten während der Übertragung.

Auf Plattformebene tragen die folgenden big Data Best Practices zu vertrauenswürdigen Analysen zu Azure bei:

• Datenaufnahme orchestrieren – Verwenden Sie einen Datenworkflow oder eine Pipelinelösung, wie sie von Azure Data Factory oder Microsoft Fabric Pipelines unterstützt werden.

• Verarbeiten von Daten – Verwenden Sie einen verteilten Datenspeicher, einen Big Data-Ansatz, der größere Datenmengen und eine breitere Palette von Formaten unterstützt.

• Frühzeitiges Bereinigen vertraulicher Daten – Entfernen oder Maskieren von sensiblen Daten im Rahmen des Aufnahme-Workflows, um deren Speicherung in Ihrem Data Lake zu vermeiden.

• Erwägen Sie die Gesamtkosten – Vergleichen Sie die Kosten pro Einheit der benötigten Rechenknoten mit den Minutenkosten für die Nutzung dieser Knoten, um einen Auftrag abzuschließen.

• Erstellen Sie einen einheitlichen Data Lake – Kombinieren Sie den Speicher für Dateien in mehreren Formaten, ob strukturiert, halbstrukturiert oder unstrukturiert. Verwenden Sie Azure Data Lake Storage Gen2 als ihre einzige Quelle der Wahrheit. Weitere Informationen finden Sie beispielsweise unter BI-Lösungsarchitektur im Center of Excellence.

Bleiben Sie mit Analysen auf dem laufenden

Azure Analytics-Dienste entwickeln sich weiter, um moderne Datenprobleme zu bewältigen. Bleiben Sie über die neuesten Updates und geplanten Features informiert:

Holen Sie sich die neuesten Updates für Azure-Produkte und -Features.

Bleiben Sie mit diesen wichtigen Analysediensten auf dem laufenden:

• Neuerungen in Microsoft Fabric
• Azure Databricks Versionshinweise
• Was ist neu in Azure Data Explorer
• Was ist neu in Power BI

Weitere Ressourcen

Analytics ist eine breite Kategorie und deckt eine Reihe von Lösungen ab. Die folgenden Ressourcen können Ihnen helfen, mehr über Azure zu erfahren.

Hybrid

Die große Mehrheit der Organisationen benötigt einen Hybridansatz für Analysen, da ihre Daten sowohl lokal als auch in der Cloud gehostet werden. Organisationen erweitern häufig lokale Datenlösungen auf die Cloud. Um Umgebungen zu verbinden, müssen Organisationen eine hybride Netzwerkarchitektur auswählen.

Wichtige Hybridanalyseszenarien:

• Mainframe-Modernisierung: Modernisieren sie Großrechner- und Midrange-Daten – Integrieren Sie ältere Datenquellen in moderne Analyseplattformen.
• Lokale Integration: Einheitliche Hybrid- und Multicloud-Vorgänge – Verbinden sie lokale Datenbanken mit Cloud-Analysen.
• Edgeanalysen: Verarbeiten von Daten am Edge und Aggregieren von Erkenntnissen in der Cloud.

Echtzeitanalysen

Mithilfe von Echtzeitanalysen können Organisationen auf Daten reagieren, sobald sie eintreffen. Hier sind einige Ressourcen, die Ihnen bei den ersten Schritten mit Echtzeitanalysen in Azure helfen:

• Echtzeitanalysen zur Big Data-Architektur – Verarbeiten und Analysieren von Streamingdaten im großen Maßstab.
• IoT Analytics mit Azure Data Explorer – Analysieren von IoT-Telemetriedaten in Echtzeit.
• Stream-Verarbeitung mit Azure Stream Analytics – Erstellen sie serverlose Streaminglösungen.
• Erstellen Sie eine moderne Analysearchitektur mithilfe von Azure Databricks – Analyse auf Unternehmensniveau mithilfe von Apache Spark.

Weitere Analysebeispiele im Azure Architecture Center

AWS- oder Google Cloud-Experten

Diese Artikel können Ihnen helfen, schnell hochzufahren, indem Sie Azure Analyseoptionen mit anderen Clouddiensten vergleichen:

• Analytics und Big Data in Datenbanktechnologien auf Azure und AWS

• Big Data und Analytik im Vergleich von Google Cloud mit Azure-Diensten