Bez kategorii

Kiedy myślimy o ETLu w chmurze, pierwsze, co przychodzi na myśl, to usługa Azure Data Factory. Rzeczywiście – z jej pomocą można zbudować całkiem rozbudowane i stabilne procesy, zwłaszcza, że niedawno dodano funkcjonalność Mapping Data Flows. Jednak co, jeśli do wykonania transformacji potrzebna jest naprawdę duża moc obliczeniowa? Wtedy należy wspomóc się czymś bardziej wydajnym. Takim rozwiązaniem jest Apache Spark ukrywający się pod nazwą Azure Databricks.

Czy zdarzyło Ci się kiedyś, że pracując przy projekcie musiałeś wykonać jakąś pracę, która była strasznie monotonna? Czułeś oczywiście, że takowa jest, ale ktoś to musi zrobić. Oczywiście zdarza się to w niemal każdym projekcie, a tworzenie modelu i miar Azure Analysis Services nie jest tu żadnym wyjątkiem. A co jeśli powiem Ci, że bardzo dużo rzeczy można zautomatyzować? Mało tego, przedstawię narzędzia, które nie tylko umożliwiają generowanie miar Time Intelligence, ale także odpowiednio sformatują kod i pomogą nam sprawdzić czy nasza robota została wykonana dobrze!

Jeśli właśnie przygotowujesz się do rozmowy rekrutacyjnej lub po prostu jesteś ciekaw, co może cię na niej czekać - przeczytaj ten tekst. Gdybym teraz był w takiej sytuacji to również chciałbym jak najlepiej przygotować się do takiej rozmowy i sprawdzić co już umiem. A ponieważ kilka rozmów mam już za sobą, pomyślałem, że podzielę się swoim doświadczeniem i przedstawię 15 pytań, które mogą pojawić się na rozmowie o pracę na stanowisko Business Intelligence Consultant. Pytania dotyczą zarówno obszarów teoretycznych, jak i praktycznych. Zachęcam do sprawdzenia swojej wiedzy!

W ostatnim artykule opisywałem w jaki sposób można wdrożyć i skonfigurować Partition Managera, a także pokazywałem jak uruchomić to narzędzie z poziomu Azure Functions. Dzisiaj zaprezentuję coś bardzo praktycznego, a mianowicie dodawanie procesowania modelu AAS do naszego procesu ETL w Azure Data Factory! Oznacza to, że Partition Manager będzie działał codziennie na samym końcu procesu ETL w pełni automatycznie. Zapraszam do lektury!

Azure Analysis Services oferuje nam maksymalnie 400 GB pamięci RAM. Jest to wartość, która bardzo często wystarczy do zbudowania naprawdę skomplikowanego i rozbudowanego modelu danych. Takie rozwiązanie powinno być także regularnie zasilane danymi. Do tego celu można wykorzystać różne narzędzia – warto jednak pamiętać, że taki model powinno się odpowiednio spartycjonować, aby jego późniejsze procesowanie było w ogóle możliwe. W tym artykule zaprezentuję narzędzie służące do procesowania i partycjonowania danych – AS Partition Managera.

W poprzednim artykule opisywałem Analysis Services – było to takie teoretycznie wprowadzenie, w którym opowiedziałem o podstawach wielowymiarowej analizy danych z wykorzystaniem Tabulara . Dzisiaj chciałbym przejść do praktyki i zaprezentować ważne z punktu widzenia dewelopera funkcjonalności tej usługi, które pomogą zbudować jeszcze wydajniejsze rozwiązanie. Warto wspomnieć, że funkcjonalności, które będę opisywał, działają zarówno w Azure Analysis Services, jak i w SQL Server Analysis Services (w trybie tablicowym). Zaczynajmy!