Microsoft Fabric -päätöksenteko-opas: valitse tietosäilö

Käytä tätä viiteopasta ja esimerkkiskenaarioita auttaaksesi valitsemaan tietovaraston Microsoft Fabric -työkuormillesi. Kaikki tietovarastot ovat saatavilla yhtenäisessä tallennuksessa OneLakessa.

• Tapahtumadatan suoratoistoon ja korkean tarkkuuden interaktiiviseen analytiikkaan käytä tapahtumataloa.
• NoSQL-tietokannoissa käytä Cosmos DB:tä Fabric-ohjelmassa.
• Operatiivisiin, transaktionaalisiin, OLTP-työkuormiin tai normalisoituihin relaatiotietokantoihin käytä SQL-tietokantaa Fabric-ohjelmassa.
• Tekoälyn kehittämiseen vektoritietotyypeillä käytä SQL-tietokantaa Fabric-ohjelmassa tai Cosmos DB:tä Fabric-versiossa.
• Yritysdatavarastoinnin, SQL-pohjaisen BI:n, OLAP:n ja täyden SQL-transaktiotuen käytössä käytä Fabric tietovarasto.
• Big dataan ja koneoppimiseen, jossa on jäsentämätöntä, puolistrukturoitua tai jäsenneltyä dataa, sekä data-insinöörityötä, käytä lakehousea.
• Kaikki Fabric-tietovarastot ovat oletuksena saatavilla OneLakessa avoimen taulukon muodossa, lukuun ottamatta tapahtumahuoneen KQL-tietokantaa, jossa OneLaken saatavuus on valinnaisena ominaisuutena.

Persoonat ja taidot

Esimerkkitilanteet

Tutustu näihin skenaarioihin, joiden avulla voit valita tietosäilön Fabricissa.

Skenaario 1

Ammattikehittäjä Susan on Microsoft Fabricin uusi käyttäjä. He ovat valmiita aloittamaan datan siivouksen, mallinnuksen ja analysoinnin, mutta heidän täytyy päättää, rakentavatko datavaraston vai järvimajan. Edellisen taulukon yksityiskohtien tarkastelun jälkeen tärkeimmät päätöksentekopisteet ovat käytettävissä oleva osaaminen ja tarve monitaulutapahtumille.

Susan rakensi monia vuosia tietovarastoja relaatiotietokantamoottoreilla ja tuntee SQL-syntaksin ja toiminnallisuuden. Kun ajattelet suurempaa tiimiä, näiden tietojen pääkuluttajat ovat myös SQL- ja SQL-analyysityökalujen osaamista. Susan päättää käyttää Fabric-varastoa, jonka avulla tiimi voi käyttää ensisijaisesti T-SQL:ää ja samalla antaa organisaation Spark-käyttäjille pääsyn tietoihin.

Susan luo uuden tietovaraston ja käyttää sitä samalla tavalla kuin muita SQL-palvelintietokantoja. Suurin osa olemassa olevasta T-SQL-koodista, jonka hän kirjoitti rakentaakseen varastonsa SQL Server, toimii Fabric tietovarasto, mikä tekee siirtymästä helpon. Halutessaan hän voi käyttää myös samoja työkaluja, jotka toimivat hänen muiden tietokantojensa kanssa, kuten SQL Server Management Studiota. Käyttämällä Fabric-portaalin SQL-editoria Susan ja muut tiimin jäsenet kirjoittavat analyyttisiä kyselyitä, jotka viittaavat muihin tietovarastoihin ja Delta-tauluihin lakehouseissa, yksinkertaisesti käyttämällä kolmiosaisia nimiä suorittaakseen tietokantakyselyitä.

Skenaario 2

Tietoteknikko Rob tallentaa ja mallintaa useita teratavuja tietoja Fabricissa. Tiimissä on sekä PySpark- että T-SQL-taitoja. Suurin osa T-SQL-kyselyitä ajavasta tiimistä on kuluttajia, joten heidän ei tarvitse kirjoittaa INSERT, UPDATE, tai DELETE lauseita. Jäljellä olevat kehittäjät työskentelevät mielellään muistikirjoissa, ja koska tiedot on tallennettu Delta-kohteeseen, he voivat käyttää samankaltaista SQL-syntaksia.

Rob päättää käyttää Lakehousea, jolloin tietotekniikkatiimi voi käyttää monipuolisia taitojaan tietojen kanssa ja antaa T-SQL:n erittäin taitavien tiimin jäsenten käyttää tietoja.

Skenaario 3

Daisy on yritysanalyytikko, joka on käyttänyt Power BI:tä toimitusketjun pullonkaulojen analysointiin suuressa globaalissa jälleenmyyntiketjussa. Heidän on luotava skaalattava tietoratkaisu, joka pystyy käsittelemään miljardeja tietorivejä ja jonka avulla voidaan luoda koontinäyttöjä ja raportteja, joita voidaan käyttää liiketoimintapäätösten tekemiseen. Tiedot ovat peräisin toimipisteistä, toimittajista, lähettäjistä ja muista lähteistä erilaisissa jäsennettyissä, puolirakenteisissa ja jäsentämättömissä muodoissa.

Daisy päättää käyttää Eventhousea skaalattavuuden, nopeiden vasteaikojen, kehittyneiden analytiikkaominaisuuksien, kuten aikasarja-analyysin, geospatiaalisten funktioiden ja Power BI:n nopean suoran kyselytilan, vuoksi. Hän voi suorittaa kyselyitä käyttämällä Power BI:tä ja KQL:ää vertaillakseen nykyisiä ja aiempia ajanjaksoja, tunnistaa nopeasti uusia ongelmia tai tarjota maantieteellistä analytiikkaa maa- ja merireiteille.

Skenaario 4

Kirby on sovellusarkkitehti, jolla on kokemusta .NET-toimintatietojen sovellusten kehittämisestä. He tarvitsevat suuren samanaikaisuuden tietokannan, jossa on täydet ACID-tapahtumien yhteensopivuuden vaatimukset, ja voimakkaasti pakotetut viiteavaimet relaatio-eheyden varmistamiseksi. Kirby haluaa, että automaattinen suorituskyvyn säätö yksinkertaistaa päivittäistä tietokantojen hallintaa.

Kirby päättää SQL-tietokannasta Fabricissa, jossa on sama SQL-tietokantamoduuli kuin Azure SQL -tietokannassa. Fabricin SQL-tietokannat skaalautuvat automaattisesti vastaamaan kysyntään koko työpäivän ajan. Niillä on tapahtumataulukoiden täysi ominaisuus ja tapahtumien eristystasojen joustavuus sarjoitettavasta sitoutuneen tilannevedoksen lukemiseen. Fabricin SQL-tietokanta luo ja pudottaa automaattisesti indeksejä, jotka eivät ole sisältäneet, ajan mittaan havaittujen suoritussuunnitelmien vahvojen signaalien perusteella.

Kirbyn skenaariossa toimintasovelluksen dataan on liityttävä Fabricissa muiden tietojen kanssa: Sparkissä, varastossa ja reaaliaikaisista tapahtumista Eventhousessa. Jokainen Fabric-tietokanta sisältää SQL-analytiikan päätepisteen, joten tietoja voidaan käyttää reaaliaikaisesti Sparkistä tai Power BI -kyselyistä DirectLake-tilaa käyttämällä. Nämä raportointiratkaisut säästävät ensisijaisen toiminnallisen tietokannan analyyttisten kuormitusten kuormitukselta ja vältävät denormalisoinnin. Kirbyllä on myös olemassa operatiivisia tietoja muissa SQL-tietokannoissa, ja hänen on tuotava tiedot muuntamatta niitä. Jos haluat tuoda olemassa olevia operatiivisia tietoja ilman tietotyypin muuntamista, Kirby suunnittelee putkia Fabric Data Factoryn avulla tietojen tuomiseksi Fabric SQL -tietokantaan.

Seuraavat vaiheet