Cloud Infra, Data & AI Platform
Data Analytics
Seluruh rantainya: ingestion dan ETL, data warehouse dan lakehouse, semantic model, lalu dasbornya.
Mengerjakan analitik sebagai satu rantai utuh, bukan satu mata rantainya saja: ingestion dan ETL dari sistem sumber, desain data warehouse dan lakehouse, semantic model terkelola yang memastikan sebuah measure berarti sama di mana pun, lalu dasbor dan pelaporan yang menjadi dasar pengambilan keputusan. Pendekatannya Cloud First di atas Microsoft Fabric dan Azure, dan penempatan on-premises tetap didukung untuk estate analitik yang masih menyimpan sebagian besar catatan.
Microsoft FabricDataProduk Microsoft di baliknya
Apa yang dilindungi atau dihasilkan tiap produk, cara kerjanya, dan persoalan yang dijawabnya.
- Microsoft Fabric
Satu platform untuk seluruh rantai analitik
Satu platform yang membawa rantai analitik dari ingestion sampai dasbor, di atas OneLake sebagai satu salinan data.
- Lakehouse
- Data Warehouse
- OneLake
- +3 lainnya
Azure Synapse AnalyticsAnalitik skala besar di atas gudang data Azure
Gudang data untuk analitik skala besar pada estate yang Azure native, sekaligus titik awal yang lazim untuk perpindahan ke Microsoft Fabric.
- Data Warehouse
- Analitik Azure
- Analitik Skala Besar
- +1 lainnya
Azure Data FactoryMengorkestrasi perpindahan data dari setiap sumber
Lapisan ingestion dan orkestrasi yang memindahkan data dari ERP, basis data, berkas, dan API ke warehouse atau lakehouse.
- Ingestion
- ETL
- Orkestrasi
- +1 lainnya
Azure SQL DatabasePenyimpanan relasional terkelola di bawah platform
Penyimpanan relasional terkelola di dalam rantai analitik, tanpa server yang harus ditambal, dicadangkan, dan diukur sendiri.
- Basis Data Terkelola
- Penyimpanan Relasional
- Platform Data Azure
Enam tahap layanan, dari sumber data sampai dasbor
Rantai analitik dikerjakan utuh, bukan satu mata rantainya saja. Enam tahap berikut adalah urutan kerjanya, dari data mentah di sistem sumber sampai dasbor yang menjadi dasar pengambilan keputusan.
Data Ingestion dan Integrasi
- Menarik data dari beragam sumber: ERP, database, file, dan API
- Fabric Data Factory dan Azure Data Factory untuk jalur cloud
- SSIS ketika kebutuhannya on-premises
Desain Data Warehouse dan Lakehouse
- Desain model data, dimensional dan medallion
- Pembangunan warehouse di Microsoft Fabric atau Azure Synapse Analytics
- Warehouse SQL Server untuk penempatan on-premises
Semantic Model dan Tata Kelola
- Satu sumber kebenaran dengan measure DAX yang didefinisikan terpusat
- Row-level security dan calculation group
- Tata kelola metadata dan dokumentasi
Dasbor dan Pelaporan
- Power BI di cloud untuk dasbor interaktif
- Power BI Report Server untuk penempatan on-premises
- Paginated report dan laporan untuk perangkat mobile
Enterprise Planning dan AI
- Perencanaan dan forecasting di atas Fabric IQ
- Microsoft Copilot dan tanya jawab dengan bahasa alami
- Analitik lanjutan
Migrasi dan Modernisasi
- Perpindahan dari platform business intelligence lain ke Power BI
- Perpindahan dari warehouse lain dan Azure Synapse Analytics ke Microsoft Fabric
- Peningkatan platform on-premises ke cloud
Dua jalur arsitektur
Jalur bawaannya cloud first di atas Microsoft Fabric, dengan satu salinan data di OneLake dan lapisan medallion di atasnya. Jalur on-premises tetap tersedia utuh, dengan rantai tahapan yang sama.
Cloud first di atas Microsoft Fabric
Jalur utama- Sumber data
- Ingest (Data Factory)
- OneLake dan Lakehouse
- Data Warehouse
- Semantic Model
- Power BI
Lapisan medallion
Alternatif on-premises
Alternatif- Sumber data
- SSIS
- SQL Server Data Warehouse
- SSAS Tabular
- Power BI Report Server
Jalur ini untuk organisasi yang harus menjaga estate analitiknya tetap on-premises, umumnya karena ketentuan regulasi.
Stack produk menurut penempatan
Komponen yang dipakai di kedua jalur, dikelompokkan menurut tempat penempatannya. Komponen yang menuntut lisensi atau capacity tersendiri ditandai, supaya cakupannya jelas sejak awal.
On-Premises
On-premises- SSIS
- Ingest dan ETL, integrasi data on-premises
- SSAS Tabular
- Semantic model, model analitik mode Tabular
- SSRS
- Pelaporan, paginated report dan laporan operasional
- Power BI Report Server
- Dasbor, portal Power BI on-premises
Cloud: Azure
Cloud- Azure Data Factory
- Ingest, orkestrasi dan integrasi data di cloud
- Azure SQL Database
- Penyimpanan, database relasional terkelola
- Azure Synapse Analytics
- Data warehouse, analitik skala besar
- Azure Analysis Services
- Semantic model, model analitik terkelola
Cloud: Microsoft Fabric
Cloud- OneLake
- Fondasi, penyimpanan terpadu yang menyimpan satu salinan data
- Data Factory
- Ingest, pipeline dan integrasi data
- Data Engineering
- Transformasi, lakehouse, Spark, dan notebook
- Data Warehouse
- Warehouse, SQL warehouse terkelola
- Database
- Penyimpanan, database operasional native
- Power BI
- Dasbor, visualisasi dan BI yang terintegrasi
- Real-Time Intelligence
- Analitik streaming dan intradayPerlu kapasitas Fabric
- Data Science
- Machine learning dan analitik lanjutanPerlu kapasitas Fabric
Cloud: Power BI
Cloud- Power BI Service
- Dasbor, platform BI di cloud untuk berbagi dan berkolaborasi
Model pengerjaan
Lima cara pekerjaan ini dijalankan. Pilihannya mengikuti bentuk kebutuhan, bukan sebaliknya, dan bisa digabungkan dalam satu engagement.
Projects Based
Ruang lingkup, jadwal, dan hasil kerja ditetapkan di awal.
Cocok untuk
Implementasi end to end, dari ingestion, warehouse, sampai dasbor, dengan lingkup yang tetap.
Man Month
Penyediaan sumber daya sebagai alokasi bulanan.
Cocok untuk
Pengembangan analitik yang berjalan terus dengan tim khusus.
Quota Mandays
Kuota tenaga kerja yang ditarik sesuai kebutuhan.
Cocok untuk
Peningkatan bertahap pada platform data yang sudah berjalan.
Training
Pembekalan untuk Power BI, Microsoft Fabric, dan pemodelan semantic model.
Cocok untuk
Membangun kemampuan internal pelanggan sendiri dan adopsinya.
Support dan Maintenance
Dukungan pascaimplementasi, preventif (pemantauan, health check, pencegahan masalah) dan korektif (penanganan masalah setelah terjadi).
Cocok untuk
Menjaga platform end to end tetap berjalan dan optimal.
Bagaimana pekerjaannya dilingkupi
Layanan yang dikerjakan kapabilitas ini, masing-masing dengan modul, hasil kerja, dan jangka waktu yang jelas.
- Cloud Infra, Data & AI Platform
Fondasi Platform Data
Engagement fondasi yang membawa data tersebar melalui ingestion dan ETL ke dalam satu data warehouse terkelola untuk pelaporan dan analitik.
- Modul pekerjaan
- 3
- Cara ruang lingkup disepakati
- Cakupan bergantung pada jumlah sistem sumber dan kebutuhan pelaporan, disepakati bersama tim practice sebelum pekerjaan dimulai
- Cloud Infra, Data & AI Platform
Data Protection Baseline
Penemuan dan klasifikasi lebih dulu, lalu baseline pelabelan dan pencegahan kebocoran yang mencerminkan apa yang benar-benar dimiliki organisasi.
- Modul pekerjaan
- 3
- Cara ruang lingkup disepakati
- Cakupan bergantung pada besarnya estate data dan jumlah kewajiban regulasi yang tercakup, disepakati bersama tim practice sebelum pekerjaan dimulai