איך מגדירים גישה לנתונים בענן כדי לאחד את סילו הנתונים ב-Amazon Web Services (AWS), Google Cloudוב-AlloyDB ל-PostgreSQL בלי תהליכי ETL מורכבים.
אתם משתמשים ב-borderless Lakehouse כמרכז מודיעין מרכזי, ב-AlloyDB כמקור נתונים תפעולי וב-Managed Service for Apache Spark לעיבוד וקטורי עם ביצועים גבוהים. לבסוף, אתם משתמשים ב-Gemini כדי להפיק תובנות עסקיות חשובות מ-lakehouse.
תרחיש
בתרחיש הזה, הנתונים מגיעים מהמקורות הבאים:
- נתונים טרנזקציוניים (משתמשים, הזמנות, פריטים בהזמנה) במסד נתונים תפעולי של AlloyDB.
- נתוני מוצר בקטגוריית AWS S3.
- יומני אירועים של נתוני קליקסטרים ב-Cloud Storage.
אתם יכולים לצרף את מערכי הנתונים האלה כדי לזהות את הדמוגרפיה של קהל היעד לקמפיין השיווקי הבא שלכם, וליצור אימיילים מותאמים אישית לפניות.
מה לומדים
ב-codelab הזה תבצעו את המשימות הבאות:
- הגדרת נקודות קצה של קטלוג Lakehouse וקביעת ההגדרות שלהן כדי לאחד את איי המידע ב-AWS S3, ב-Cloud Storage וב-AlloyDB.
- הפעלת עיבוד שאילתות וקטוריזציה עם ביצועים גבוהים באמצעות Managed Service for Apache Spark.
- אפשר לצרף מערכי נתונים של עסקאות, מוצרים ונתוני קליקים בלי להעביר נתונים או להשתמש בצינורות ETL מורכבים.
- אתם יכולים להשתמש ב-Gemini כדי להפיק תובנות עסקיות וליצור מסרים שיווקיים מותאמים אישית מ-lakehouse.
להתחלת ה-Codelab
מפעילים את ה-Codelab המפורט:
התחלת ה-Codelab בנושא Lakehouse ללא גבולות