Nota:
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
Utiliza esta guía de referencia y los ejemplos de escenarios para ayudarte a elegir un almacén de datos para tus cargas de trabajo de Microsoft Fabric. Todos los almacenes de datos están disponibles en almacenamiento unificado en OneLake.
En el diagrama se muestra una guía de decisión para seleccionar un almacén de datos Fabric. Para transmitir datos de eventos y análisis interactivos de alta granularidad, use un centro de eventos. Para bases de datos NoSQL, utiliza Cosmos DB en Fabric. En el caso de cargas de trabajo transaccionales operativas (OLTP), use la base de datos SQL en Fabric. Para desarrollar IA con tipos de datos vectoriales, utiliza bases de datos SQL en Fabric o Cosmos DB en Fabric. Para almacenamiento de datos empresarial, BI basado en SQL, OLAP y soporte completo para transacciones SQL, utiliza Fabric Data Warehouse. Para big data y aprendizaje automático con datos no estructurados, semiestructurados o estructurados, y para la ingeniería de datos, utiliza una casa de lago. Todos los almacenes de datos de Fabric están disponibles en OneLake en formato de tabla abierta por defecto.
| Caso de uso ideal | Carga de trabajo de Microsoft Fabric | Datos disponibles en OneLake en formato de tabla abierto de forma predeterminada |
|---|---|---|
| Datos de eventos de streaming, alta granularidad (en el tiempo, espacio, detalle: JSON/Texto) datos de actividad para análisis interactivos | Centro de eventos | Disponible como opción voluntaria |
| Base de datos NoSQL | Cosmos DB en Fabric | Sí |
| Base de datos operacional, transaccional OLTP o normalizada | Base de datos SQL de Fabric | Sí |
| Desarrollar IA con tipos de datos vectoriales | Base de datos SQL en Fabric o Cosmos DB en Fabric | Sí |
| Almacén de datos empresarial, BI basado en SQL, OLAP, soporte completo para transacciones SQL y funciones de IA (vista previa) | Almacén de datos | Sí |
| Big data y aprendizaje automático, datos no estructurados, semiestructurados o estructurados, ingeniería de datos | Lakehouse | Sí |
- Para transmitir datos de eventos y análisis interactivos de alta granularidad, use un centro de eventos.
- Para bases de datos NoSQL, utiliza Cosmos DB en Fabric.
- Para cargas de trabajo operativas, transaccionales, OLTP o bases de datos relacionales normalizadas, utiliza bases de datos SQL en Fabric.
- Para desarrollar IA con tipos de datos vectoriales, utiliza bases de datos SQL en Fabric o Cosmos DB en Fabric.
- Para almacenamiento de datos empresarial, BI basado en SQL, OLAP y soporte completo para transacciones SQL, utiliza Fabric Data Warehouse.
- Para big data y aprendizaje automático con datos no estructurados, semiestructurados o estructurados, y para la ingeniería de datos, utiliza una casa de lago.
- Todos los almacenes de datos de Fabric están disponibles en OneLake en formato de tabla abierta por defecto, con la excepción de una base de datos KQL en una casa de eventos, donde la disponibilidad de OneLake está disponible como función opt-in.
Personas y habilidades
| Carga de trabajo de Microsoft Fabric | Personas principales de desarrolladores | Aptitudes principales y herramientas | Idiomas principales |
|---|---|---|---|
| Centro de eventos | Desarrollador de aplicaciones, científico de datos, ingeniero de datos | Sin código, KQL, SQL | KQL (lenguaje de consulta Kusto), T-SQL |
| Cosmos DB en Fabric | Desarrollador de inteligencia artificial, desarrollador de aplicaciones | Conceptos de NoSQL, API REST, similares a Azure Cosmos DB | Integración de la API REST a través de JavaScript/TypeScript, Python, C#, Java y otros |
| Base de datos SQL de Fabric | Desarrollador de IA, Desarrollador de aplicaciones, Desarrollador de bases de datos, Administrador de bases de datos | Administración y desarrollo de bases de datos, similares a las herramientas de consulta compatibles con Azure SQL Database, SSMS, VS Code y SQL Server | T-SQL |
| Almacenamiento de datos de tejido | Desarrollador de almacenamiento de datos, arquitecto de datos, ingeniero de datos, desarrollador de bases de datos | Conceptos de almacenamiento de datos, diseño de base de datos de esquema de estrella, SSMS, VS Code y herramientas de consulta compatibles con SQL Server | T-SQL, sin código |
| Lakehouse | Ingeniero de datos, científico de datos | PySpark, Delta Lake, cuadernos | Spark(Scala, PySpark, Spark SQL, R) |
Escenarios
Revise estos escenarios para obtener ayuda con la elección de un almacén datos en Fabric.
Escenario 1
Susan, desarrolladora profesional, es nueva en Microsoft Fabric. Están listos para empezar a limpiar, modelar y analizar datos, pero deben decidir si construir un almacén de datos o una casa en el lago. Tras revisar los detalles de la tabla anterior, los puntos principales de decisión son el conjunto de habilidades disponibles y la necesidad de transacciones multi-tabla.
Susan pasó muchos años construyendo almacenes de datos sobre motores de bases de datos relacionales y está familiarizada con la sintaxis y funcionalidad de SQL. Pensando en el equipo más grande, los principales consumidores de estos datos también están cualificados con SQL y las herramientas analíticas de SQL. Susan decide usar un almacenamiento de datos de Fabric, que permite al equipo interactuar principalmente con T-SQL, a la vez que permite a los usuarios de Spark de la organización acceder a los datos.
Susan crea un nuevo almacenamiento de datos e interactúa con él mediante T-SQL igual que sus otras bases de datos de SQL Server. La mayor parte del código T-SQL existente que escribió para construir su almacén sobre SQL Server funciona en Fabric Data Warehouse, facilitando la transición. Si decide hacerlo, incluso puede usar las mismas herramientas que funcionan con sus otras bases de datos, como SQL Server Management Studio. Al utilizar el editor SQL en el portal de Fabric, Susan y otros miembros del equipo escriben consultas analíticas que hacen referencia a otros almacenes de datos y tablas Delta en lakehouses, simplemente mediante el uso de nombres de tres partes para realizar consultas entre distintas bases de datos.
Escenario 2
Rob, ingeniero de datos, necesita almacenar y modelar varios terabytes de datos en Fabric. El equipo tiene una combinación de aptitudes de PySpark y T-SQL. La mayoría del equipo que realiza consultas T-SQL son consumidores, por lo que no necesitan escribir INSERT, UPDATE, ni DELETE sentencias. Los desarrolladores restantes están cómodos trabajando en cuadernos y, dado que los datos se almacenan en Delta, pueden interactuar con una sintaxis SQL similar.
Rob decide usar un lakehouse, el cual permite al equipo de ingeniería de datos usar sus diversas aptitudes con respecto a los datos, mientras que los miembros del equipo altamente cualificados en T-SQL pueden consumir los datos.
Escenario 3
Daisy es una analista de negocios con experiencia en el uso de Power BI para analizar los cuellos de botella de la cadena de suministro para una gran cadena minorista global. Necesitan crear una solución de datos escalable que pueda controlar miles de millones de filas de datos y se puedan usar para crear paneles e informes y tomar decisiones empresariales. Los datos proceden de plantas, proveedores, transportistas y otras fuentes en diversos formatos estructurados, semiestructurados y no estructurados.
Daisy decide usar un centro de eventos debido a su escalabilidad, tiempo de respuesta rápido, funcionalidades de análisis avanzadas, como análisis de series temporales, funciones geoespaciales y el modo de consulta directa rápida en Power BI. Puede ejecutar consultas utilizando Power BI y KQL para comparar entre periodos actuales y anteriores, identificar rápidamente problemas emergentes o proporcionar análisis geoespaciales de rutas terrestres y marítimas.
Escenario 4
Kirby es un arquitecto de aplicaciones experimentado en el desarrollo de aplicaciones .NET para datos operativos. Necesitan una base de datos de alta concurrencia con pleno cumplimiento de transacciones ACID y claves externas fuertemente aplicadas para la integridad relacional. Kirby quiere la ventaja del ajuste automático del rendimiento para simplificar la administración de bases de datos diarias.
Kirby se decanta por una base de datos SQL en Fabric, con el mismo motor de base de datos SQL que la base de datos de Azure SQL. Las bases de datos SQL de Fabric se escalan automáticamente para satisfacer la demanda durante todo el día laborable. Tienen la capacidad completa de las tablas transaccionales y la flexibilidad de los niveles de aislamiento de transacciones, desde serializable hasta lectura con confirmación de instantánea. La base de datos SQL en Fabric crea y quita automáticamente índices no agrupados en función de señales seguras de los planes de ejecución observados a lo largo del tiempo.
En el escenario de Kirby, los datos de la aplicación operativa deben unirse a otros datos de Fabric: en Spark, en un almacenamiento y desde eventos en tiempo real en un centro de eventos. Cada base de datos de Fabric incluye un punto de conexión de análisis SQL, lo que permite acceder a los datos en tiempo real desde Spark o mediante consultas de Power BI en modo DirectLake. Estas soluciones de informes ahorran a la base de datos operativa principal la sobrecarga de las cargas de trabajo analíticas y evitan la desnormalización. Kirby también tiene datos operativos existentes en otras bases de datos SQL y necesita importar esos datos sin transformación. Para importar datos operativos existentes sin ninguna conversión de tipos de datos, Kirby diseña canalizaciones con Fabric Data Factory para importar datos en la base de datos SQL de Fabric.