Einführung in Cloud-Skalierungsanalysen

Cloud-Scale-Analysen basieren auf Azure-Landing-Zonen, um Bereitstellung und Governance zu vereinfachen. Der Hauptzweck einer Azure-Zielzone besteht darin, sicherzustellen, dass die erforderliche Infrastruktur bereits vorhanden ist, wenn Sie eine Anwendung oder Workload in Azure bereitstellen. Bevor Sie Ihre Cloud-Skalierungsanalyse-Zielzone bereitstellen, müssen Sie das Cloud Adoption Framework für Azure durchlaufen, um eine Azure-Zielzonenarchitektur mit Plattform-Landezonen bereitzustellen.

Für souveräne Workloads stellt Microsoft die Sovereign Landing Zone (SLZ) bereit, bei der es sich um eine Variante der Azure-Landezone handelt. Die SLZ ist für Organisationen vorgesehen, die erweiterte souveräne Kontrollen benötigen. Cloud-basierte Analysen können mit dieser Azure-Zielzonevariante bereitgestellt werden.

Für Analysen auf Cloudebene müssen Bereitstellungen in Anwendungszielzonen durchgeführt werden. Diese Zonen befinden sich in der Regel unter der Managementgruppe der Landing Zone. Richtlinien filtern nach unten zu den von Microsoft bereitgestellten Beispielvorlagen.

Sie können diese Beispielvorlagen für Ihre Data-Lakehouse- und Data-Mesh-Bereitstellungen verwenden.

Auswertung der Analysen auf Cloudebene

Häufig sucht ein Unternehmen klarheits- oder präskriptive Anleitungen, bevor es beginnt, die technischen Details für einen bestimmten Anwendungsfall oder ein bestimmtes Projekt oder eine End-to-End-Cloud-Skalierungsanalyse zu definieren. Da ein Unternehmen seine Gesamtdatenstrategie formuliert, kann es schwierig sein, sicherzustellen, dass alle erforderlichen und strategischen Grundsätze im Rahmen der aktuellen Nutzung berücksichtigt werden.

Um die Bereitstellung dieser End-to-End-Insights-Implementierung zu beschleunigen, wobei diese Herausforderungen berücksichtigt werden, hat Microsoft ein präskriptives Szenario für Cloud-Skalierungsanalysen entwickelt. Sie richtet sich an die wichtigsten Themen, die in " Entwickeln eines Plans für Cloud-Skalierungsanalysen" erläutert werden.

Cloud-Skalierungsanalysen basieren auf dem Cloud Adoption Framework und wendet die Prinzipien des Azure Well-Architected Framework an. Das Cloud Adoption Framework bietet präskriptive Anleitungen und bewährte Methoden für Cloudbetriebsmodelle, Referenzarchitekturen und Plattformvorlagen. Diese Anleitung basiert auf realen Erfahrungen aus einigen unserer anspruchsvollsten, anspruchsvollen und komplexesten Umgebungen.

Mithilfe von Cloud-Scale-Analysen können Sie sich darauf vorbereiten, Landing Zones zu erstellen und in Betrieb zu nehmen, um Analytik-Workloads zu hosten und auszuführen. Sie bauen die Landungszonen auf der Grundlage verbesserter Sicherheit, Governance und Compliance auf. Landungszonen sind skalierbar und modular, aber sie unterstützen Autonomie und Innovation.

Verlauf der Datenarchitektur

In den späten 1980er Jahren wurde die Data Warehouse Generation 1 eingeführt. Dieses Modell kombiniert unterschiedliche Datenquellen aus einem Unternehmen. In den späten 2000er Jahren entstand generation 2, mit der Einführung von Big Data-Ökosystemen wie Hadoop und Datenseen. Mitte der 2010er Jahre wurde die Clouddatenplattform eingeführt: Streaming-Datenaufnahme, wie Kappa- oder Lambda-Architekturen, wurden eingeführt. Anfang der 2020er Jahre wurden Datenseehäuser, Datengitter, Daten fabrics und datenzentrierte Betriebsmuster eingeführt.

Trotz dieser Fortschritte nutzen viele Organisationen immer noch die zentrale monolithische Plattform: Generation 1. Dieses System funktioniert gut, aber nur bis zu einem bestimmten Punkt. Engpässe können jedoch aufgrund von interdependenten Prozessen, eng gekoppelten Komponenten und hyperspezialisierten Teams auftreten. ETL-Aufträge (Extrahieren, Transformieren und Laden) können sehr umfangreich werden und die Liefer-Zeitachsen verlangsamen.

Data Warehouses und Data Lakes sind immer noch wertvoll und spielen eine wichtige Rolle in Ihrer Gesamtarchitektur. In der folgenden Dokumentation werden einige der Herausforderungen erläutert, die auftreten können, wenn Sie diese herkömmlichen Methoden für die Skalierung verwenden. Diese Herausforderungen sind insbesondere in einem komplexen Unternehmen relevant, in der sich Datenquellen, Anforderungen, Teams und Ausgaben ändern.

Wechseln zu Analysen auf Cloudebene

Ihre aktuelle Analysedatenarchitektur und Ihr Betriebsmodell können Data Warehouse-, Data Lake- und Data Lakehouse-Strukturen, Datengewebe oder Data Mesh umfassen.

Jedes Datenmodell hat seine eigenen Vorteile und Herausforderungen. Cloud-Skalierungsanalysen helfen Ihnen, Ihren aktuellen Ansatz in die Datenverwaltung zu verschieben, damit sie sich mit Ihrer Infrastruktur weiterentwickeln kann.

Sie können jede Datenplattform und jedes Szenario unterstützen, um ein End-to-End-Framework für Analysen auf Cloudebene zu erstellen, das als Grundlage dient und die Skalierung ermöglicht.

Moderne Datenplattform und gewünschte Ergebnisse

Einer der ersten Schritte besteht darin, Ihre Datenstrategie zu aktivieren, um Ihre Herausforderungen zu erfüllen, indem sie iterativ eine skalierbare und agile moderne Datenplattform erstellen.

Anstatt mit Servicetickets überfordert zu sein und konkurrierende Geschäftsanforderungen zu erfüllen, können Sie, wenn Sie eine moderne Datenplattform implementieren, eine beratendere Rolle spielen, da Sie Ihre Zeit freigeben können, um sich auf wertvollere Arbeit zu konzentrieren. Sie stellen den Geschäftsbereichen die Plattform und die Systeme zur Verfügung, um Daten und Analysen selbst zu verwalten.

Im Folgenden werden empfohlene Bereiche des anfänglichen Schwerpunktes vorgestellt.

• Verbessern Sie die Datenqualität, stellen Sie Vertrauen her und erhalten Sie Erkenntnisse, um datengesteuerte Geschäftsentscheidungen zu treffen.
• Implementieren Sie ganzheitliche Daten, Verwaltung und Analysen im großen Maßstab in Ihrer Organisation.
• Richten Sie robuste Datengovernance ein, die Self-Service und Flexibilität für Branchen ermöglicht.
• Gewährleisten Sie die Sicherheit und die Einhaltung gesetzlicher Vorschriften in einer vollständig integrierten Umgebung.
• Erstellen Sie schnell die Grundlage für erweiterte Analysefunktionen, indem Sie eine sofort einsatzbereite Lösung mit gut gestalteten, wiederholbaren, modularen Mustern verwenden.

Steuern von Analysegütern

Eine zweite Überlegung besteht darin, zu bestimmen, wie Ihre Organisation Die Datengovernance implementiert.

Die Datengovernance ist der Prozess, um sicherzustellen, dass die Daten, die Sie in Ihren Geschäftsvorgängen, Berichten und Analysen verwenden, auffindbar, korrekt, vertrauenswürdig und geschützt werden können.

In vielen Unternehmen wird erwartet, dass Daten und KI einen Wettbewerbsvorteil bringen. Daher sind Führungskräfte bestrebt, KI-Initiativen in ihrer Entschlossenheit zu fördern, datengesteuert zu werden. Damit KI jedoch effektiv ist, muss sie vertrauenswürdige Daten verwenden. Andernfalls kann die Entscheidungsgenauigkeit kompromittiert werden, Entscheidungen können verzögert oder Aktionen verpasst werden, was sich auf das Ergebnis auswirken kann. Unternehmen wollen nicht, dass die Qualität ihrer Daten schlecht ist. Bis Sie den Effekt überprüfen, den die digitale Transformation auf Daten hatte, kann es einfach erscheinen, die Datenqualität zu beheben.

Organisationen, die Daten über eine hybride Multicloud- und verteilte Datenlandschaft verteilt haben, haben Schwierigkeiten, zu finden, wo sich ihre Daten befinden und zu steuern. Nicht geregelte Daten können erhebliche Auswirkungen auf das Unternehmen haben. Schlechte Datenqualität wirkt sich auf Geschäftsvorgänge aus, da Datenfehler Prozessfehler und Verzögerungen verursachen. Schlechte Datenqualität wirkt sich auch auf die Entscheidungsfindung und die Fähigkeit aus, konform zu bleiben. Die Sicherstellung der Datenqualität an der Quelle wird häufig bevorzugt, da das Beheben von Qualitätsproblemen im Analysesystem komplexer und kostspieliger sein kann als die Anwendung von Datenqualitätsregeln frühzeitig in der Aufnahmephase. Um Datenaktivitäten nachzuverfolgen und zu steuern, muss die Datengovernance Folgendes umfassen:

• Datenermittlung.
• Datenqualität.
• Richtlinienerstellung.
• Datenaustausch.
• Metadaten

Sichern von Analysegütern

Ein weiterer wichtiger Treiber für die Datengovernance ist der Datenschutz. Der Datenschutz kann Ihnen dabei helfen, die Einhaltung gesetzlicher Vorschriften zu gewährleisten und Datenschutzverletzungen zu verhindern. Datenschutz und die wachsende Zahl von Datenschutzverletzungen haben den Datenschutz zu oberster Priorität gemacht. Datenschutzverletzungen heben das Risiko vertraulicher Daten hervor, z. B. personenbezogene Kundendaten. Die Folgen einer Datenschutzverletzung oder eines Datensicherheitsverstoßes können folgendes umfassen:

• Schwerwiegender Schaden am Markenbild.
• Verlust des Kundenvertrauens und Marktanteils.
• Eine Verringerung des Aktienkurses, die die Rendite der Stakeholder auf Investitions- und Führungskräftegehälter beeinflusst.
• Erhebliche finanzielle Sanktionen aufgrund von Audit- oder Compliancefehlern.
• Rechtliches Vorgehen.
• Sekundäre Auswirkungen der Verletzung, z. B. können Kunden Opfer des Identitätsdiebstahls werden.

In den meisten Fällen müssen öffentlich zitierte Unternehmen Verstöße erklären. Wenn Verstöße auftreten, sind Kunden wahrscheinlich dem Unternehmen und nicht dem Hacker schuld. Kunden könnten das Unternehmen mehrere Monate lang bekotieren oder nie zurückkehren.

Wenn die gesetzlichen Datenschutzbestimmungen nicht eingehalten werden, kann dies erhebliche Geldstrafen nach sich ziehen. Die Verwaltung Ihrer Daten hilft Ihnen, diese Risiken zu vermeiden.

Betriebsmodell und Vorteile

Die Einführung einer modernen Datenstrategieplattform ändert nicht nur die Technologie, die Ihre Organisation verwendet. Außerdem ändert sich die Funktionsweise der Organisation.

Cloud-Skalierungsanalysen bieten Anleitungen, die Ihnen helfen, Ihre Mitarbeiter zu organisieren und zu schulen, einschließlich:

• Persona-, Rollen- und Verantwortungsdefinitionen.
• Vorgeschlagene Strukturen für agile, vertikale und domänenübergreifende Teams.
• Schulungsressourcen, einschließlich Azure-Daten und KI-Zertifizierungen über Microsoft Learn.

Außerdem ist es wichtig, Ihre Endbenutzer während des gesamten Modernisierungsprozesses zu binden und ihre Plattform weiter zu entwickeln und neue Anwendungsfälle zu integrieren.

Architekturen

Azure-Zielzonen stellen den strategischen Entwurfspfad und den technischen Zielstatus ihrer Umgebung dar. Sie vereinfachen die Bereitstellung und Governance, sodass Sie Agilität und Compliance verbessern können. Sie stellen außerdem sicher, dass die richtige Infrastruktur bereits vorhanden ist, wenn Ihrer Umgebung eine neue Anwendung oder Arbeitsauslastung hinzugefügt wird. Azure-Datenverwaltungs- und Datenlandezonen, die in Microsoft-Software as a Service (SaaS)-Governance- und Analyselösungen integriert sind, sind mit diesen grundlegenden Prinzipien konzipiert und können, wenn sie mit den anderen Elementen der Cloud-Skalierungsanalyse kombiniert werden, folgende Möglichkeiten bieten:

• Selbstbedienung.
• Skalierbarkeit.
• Ein schneller Start.
• Sicherheit:
• Datenschutz.
• Optimierte Vorgänge.

Zielzone für die Datenverwaltung

Die Zielzone für die Datenverwaltung stellt die Grundlage für die zentrale Datengovernance und -verwaltung Ihrer Plattform in Ihrer Organisation bereit. Es erleichtert auch die Kommunikation zum Aufnehmen von Daten aus Ihrem gesamten digitalen Besitz, einschließlich Multicloud- und Hybridinfrastrukturen.

Die Zielzone für die Datenverwaltung unterstützt zahlreiche weitere Datenverwaltungs- und Governancefunktionen, z. B. Folgendes:

• Datenkataloge.
• Datenqualitätsmanagement.
• Datenklassifizierung.
• Datenherkunft und -verlauf.
• Datenmodellierungs-Repositories.
• API-Kataloge.
• Datenfreigabe und Verträge.

Datenzielzonen

Datenlandungszonen bringen Daten den Benutzern näher und ermöglichen Self-Service, während standardisierte Verwaltung und Governance durch die Verbindung mit der Datenmanagement-Landungszone beibehalten werden.

Sie hosten Standarddienste wie Netzwerk, Überwachung und Datenaufnahme und -verarbeitung sowie Anpassungen wie Datenprodukte und Visualisierungen.

Datenzielzonen sind wichtig, um die Skalierbarkeit Ihrer Plattform zu ermöglichen. Je nach Größe und Bedarf Ihrer Organisation können Sie mit einer oder mehreren Zielzonen beginnen.

Wenn Sie zwischen einzelnen und mehreren Landungszonen entscheiden, sollten Sie regionale Abhängigkeiten und Datenhaltungsanforderungen berücksichtigen. Gibt es beispielsweise lokale Gesetze oder Vorschriften, die vorschreiben, dass Daten an einem bestimmten Ort verbleiben müssen?

Unabhängig von Ihrer anfänglichen Entscheidung können Sie bei Bedarf Datenzielzonen hinzufügen oder entfernen. Wenn Sie mit einer einzelnen Zielzone beginnen, empfehlen wir, dass Sie eine Erweiterung auf mehrere Landezonen planen, um zukünftige Anforderungen für die Migration zu vermeiden.

Weitere Informationen zu Zielzonen finden Sie unter Azure-Zielzonen für Analysen auf Cloudebene.

Zusammenfassung

Nachdem Sie diesen Dokumentationssatz gelesen haben, insbesondere die Abschnitte "Governance", "Sicherheit", "Betrieb" und "Bewährte Methoden", empfehlen wir, mithilfe der Bereitstellungsvorlagen eine Proof-of-Concept-Umgebung einzurichten. Diese Vorlagen sowie Architekturanleitungen bieten Ihnen praktische Erfahrungen mit einigen der Azure- und Microsoft SaaS-Technologien. Weitere Informationen finden Sie in der Checkliste für erste Schritte.

Nächster Schritt