چگونگی عملکرد
دریاچه داده، تحلیل داده و گردش‌کارهای ETL با S3 Tables، AWS Glue و Athena. شامل جدول‌های مدیریت‌شده Iceberg در S3 Tables، ورود داده از پایگاه‌های داده JDBC، Amazon Redshift، Snowflake، BigQuery و DynamoDB، فهرست‌برداری و کشف دارایی‌ها در AWS Glue Data Catalog، کوئری‌های فدرال Athena، و ذخیره‌سازی برداری و جست‌وجوی معنایی در Amazon S3 Vectors است.
چه کارهای دیگری می‌توانید انجام دهید؟
یافتن داده‌های تحلیلی
تحلیل داده AWS: در Glue Data Catalog و منطقه [region] جدول‌هایی را پیدا کن که بتوانند به [business question] پاسخ دهند. الگوها و محل آن‌ها را خلاصه کن، بهترین منابع را پیشنهاد بده و داده‌های ناقص را مشخص کن.
تحلیل روندهای فروش
تحلیل داده AWS: با Athena فروش ماهانه [table] را در سه‌ماهه گذشته تحلیل کن. مناطق را مقایسه کن، بزرگ‌ترین تغییرات را بیاب و SQL را همراه با خلاصه‌ای کوتاه از یافته‌ها ارائه بده.
برنامه‌ریزی ورود داده به دریاچه داده
تحلیل داده AWS: برای ورود [source table] به S3 Tables در منطقه [region] برنامه‌ریزی کن. الگوی منبع را بررسی کن، روشی برای ورود داده پیشنهاد بده و پیش‌نیازها و بررسی‌های اعتبارسنجی پیش از انتقال داده را فهرست کن.
مواردی که شامل می‌شود
برنامه
AWS Data Analytics
مهارت‌ها
- amazon-opensearch-service
- connecting-to-data-source
- creating-data-lake-table
- exploring-data-catalog
- finding-data-lake-assets
- ingesting-into-data-lake
- querying-data-lake
- redshift-guide
- ۱ بیشتر
منابع
افزودن افزونهٔ AWS Data Analytics تنها با چند کلیک
در دسترس بودن این قابلیت به افزونه، طرح شما و تنظیمات فضای کاری بستگی دارد. بعضی از اتصال‌ها فقط با راه‌اندازی یا تأیید مدیر قابل استفاده‌اند. اگر دسترسی شما مسدود شده است، با مدیر فضای کاری خود تماس بگیرید.
کاوش افزونه‌های مرتبط
Data
داده‌ها را به تصمیم‌های روشن تبدیل کنید.
Snowflake
درباره داده‌های Snowflake، پرسش‌های تحلیلی مدیریت‌شده مطرح کنید.
BigQuery
داده‌های BigQuery را کاوش کنید و با زبان طبیعی SQL بسازید.
Databricks Genie
داده‌های لیک‌هاوس و داشبوردها را با زبان طبیعی تحلیل کنید.
DBT
کار با پروژه‌های dbt
Alation
لایه دانش تحت حاکمیت
